論文の概要: AutoMat: Accelerated Computational Electrochemical systems Discovery

• arxiv url: http://arxiv.org/abs/2011.04426v4
• Date: Fri, 13 May 2022 17:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 06:13:09.765391
• Title: AutoMat: Accelerated Computational Electrochemical systems Discovery
• Title（参考訳）: AutoMat: 高速計算電気化学システムディスカバリ
• Authors: Emil Annevelink, Rachel Kurchin, Eric Muckley, Lance Kavalsky, Vinay I. Hegde, Valentin Sulzer, Shang Zhu, Jiankun Pu, David Farina, Matthew Johnson, Dhairya Gandhi, Adarsh Dave, Hongyi Lin, Alan Edelman, Bharath Ramsundar, James Saal, Christopher Rackauckas, Viral Shah, Bryce Meredig, Venkatasubramanian Viswanathan
• Abstract要約: 大規模な電化は気候危機に対処するために不可欠であるが、化学産業と輸送の両方を完全電気化するためには、いくつかの科学的および技術的課題が残っている。 新しい電気化学材料は重要だが、その開発は人間の時間集約的な実験とエラー、計算コストのかかる第一原理、メソスケール、連続体シミュレーションに大きく依存している。 本稿では,第1原理から連続的なデバイスモデリングに至るまで,シミュレーションの自動入力生成とシミュレーション管理の両方を導入することで,これらの計算ステップを高速化する自動ワークフローであるAutoMatを提案する。
• 参考スコア（独自算出の注目度）: 0.7865939710072847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale electrification is vital to addressing the climate crisis, but several scientific and technological challenges remain to fully electrify both the chemical industry and transportation. In both of these areas, new electrochemical materials will be critical, but their development currently relies heavily on human-time-intensive experimental trial and error and computationally expensive first-principles, meso-scale and continuum simulations. We present an automated workflow, AutoMat, that accelerates these computational steps by introducing both automated input generation and management of simulations across scales from first principles to continuum device modeling. Furthermore, we show how to seamlessly integrate multi-fidelity predictions such as machine learning surrogates or automated robotic experiments "in-the-loop". The automated framework is implemented with design space search techniques to dramatically accelerate the overall materials discovery pipeline by implicitly learning design features that optimize device performance across several metrics. We discuss the benefits of AutoMat using examples in electrocatalysis and energy storage and highlight lessons learned.
• Abstract（参考訳）: 大規模な電気化は気候危機に対処するのに不可欠であるが、化学産業と輸送の両方を完全に電気化する科学的、技術的課題が残っている。 どちらの分野でも、新しい電気化学材料は重要だが、その開発は人間の時間集約的な実験とエラーと計算コストの高い第一原理、メソスケール、連続体シミュレーションに大きく依存している。 第一原理から連続的なデバイスモデリングまで、スケールにわたる自動入力生成とシミュレーション管理の両方を導入することで、これらの計算ステップを加速する自動ワークフロー、automattoを提案する。 さらに、機械学習サロゲートや自動ロボット実験「ループ内」など、多要素予測をシームレスに統合する方法を示す。 自動フレームワークは設計スペース検索技術で実装されており、いくつかのメトリクスでデバイスのパフォーマンスを最適化する設計機能を暗黙的に学習することで、材料発見パイプライン全体を劇的に加速する。 電気触媒とエネルギー貯蔵の例を用いてAutoMatの利点を論じ,得られた教訓を強調した。

関連論文リスト

• Micrometer: Micromechanics Transformer for Predicting Mechanical Responses of Heterogeneous Materials [4.759109475818876]
  異種材料の機械的応答を予測する人工知能フレームワークであるMicromechanics Transformer(em Micrometer)を紹介する。 マイクロメーターは、幅広いミクロ組織にわたるマイクロスケールのひずみ場を予測する際に、最先端の性能を達成することができる。 私たちの研究は、計算ソリッドメカニクスにおけるAI駆動のイノベーションへの大きな一歩を示しています。
  論文  参考訳（メタデータ） (2024-09-23T16:01:37Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• A framework for fully autonomous design of materials via multiobjective optimization and active learning: challenges and next steps [2.6047112351202784]
  継続的に更新された機械学習モデルを用いた多目的ブラックボックス最適化に基づくアクティブな学習プロセスを提案する。 このワークフローは、リアルタイムデータストリーミングとモジュール化された多目的最適化ソフトウェア開発のためのオープンソース技術に基づいて構築されている。 本研究では, 連続流化学実験室の自律運転を通して, このワークフローの概念実証を行う。
  論文  参考訳（メタデータ） (2023-04-15T01:34:16Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• A Deep Learning Approach for Macroscopic Energy Consumption Prediction with Microscopic Quality for Electric Vehicles [0.0]
  本稿では,電気自動車の電力消費をマクロレベルでモデル化する機械学習手法を提案する。 エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値がかなり正確に学習可能であることを示す。 このモデルは、リアルタイムの行動伝達モデルをサポートするために、POLARISトランスポーテーションシステムシミュレーションツールにデプロイされ、統合されている。
  論文  参考訳（メタデータ） (2021-11-25T01:20:32Z)
• An Automated Scanning Transmission Electron Microscope Guided by Sparse Data Analytics [0.0]
  本稿では,新たに出現するスパースデータ分析によって導かれる閉ループ管楽器制御プラットフォームの設計について論じる。 機械学習によって通知される集中型コントローラが、限られた$a$$priori$知識とタスクベースの識別を組み合わせることで、オンザフライでの実験的な意思決定を駆動する様子を実証する。
  論文  参考訳（メタデータ） (2021-09-30T00:25:35Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Automated and Autonomous Experiment in Electron and Scanning Probe Microscopy [0.0]
  連続画像形成機構を有するイメージング手法における自動実験(AE)への主要な経路の解析を目指しています。 自動実験は一般分野の知識のより広い文脈で議論されるべきであり、実験の結果、双方が実験を通知し、増大させる。
  論文  参考訳（メタデータ） (2021-03-22T20:24:41Z)
• Polymers for Extreme Conditions Designed Using Syntax-Directed Variational Autoencoders [53.34780987686359]
  現在、機械学習ツールは、望まれる特性を持つ材料候補を事実上スクリーニングするために使用される。 このアプローチは非効率であり、人間の想像力が知覚できる候補によって厳しく制約されている。 文法指向の変分オートエンコーダ(VAE)とガウス過程回帰(GPR)モデルを用いて、3つの極端な条件下で頑健なポリマーを発見する。
  論文  参考訳（メタデータ） (2020-11-04T21:36:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。